ИИ за диагностика, разработване на лекарства, персонализиране на лечението и редактиране на генома
Машинното обучение е постигнало голям напредък в ефективността на фармацевтичните и биотехнологичните продукти. Тази публикация обобщава 4-те най-важни приложения на изкуствения интелект в медицината днес:
- Диагностициране на заболявания
Правилното диагностициране на заболявания изисква години медицинско обучение. Но дори и тогава диагностицирането често е досаден и отнемащ време процес. В много области търсенето на специалисти далеч надхвърля наличното предлагане. Това от своя страна увеличава натиска върху лекарите и нерядко забавя животоспасяващата диагностика на пациентите.
Машинното обучение – особено алгоритмите за дълбоко обучение – напоследък отбелязаха голям напредък в автоматичното диагностициране на заболявания, което направи диагностиката по-евтина и по-достъпна.
Как машините се учат да поставят диагноза
Алгоритмите за машинно обучение могат да се научат да виждат модели по подобен начин на лекарите. Но основната разлика е, че алгоритмите се нуждаят от хиляди конкретни примери, за да се научат. И тези примери трябва да бъдат прегледно дигитализирани – машините не могат да четат между редовете в учебниците.
Ето защо машинното обучение е особено полезно, когато диагностичната информация, изследвана от лекаря, вече е дигитализирана.
Например:
Откриване на рак на белия дроб или инсулт въз основа на компютърна томография.
Оценка на риска от внезапна сърдечна смърт или други сърдечни заболявания въз основа на електрокардиограми и ядрено-магнитен резонанс на сърцето.
Класифициране на кожни изменения в изображения на кожаta.
Откриване на индикатори за диабетна ретинопатия в очни изображения.
Тъй като в тези случаи има голямо количество добри данни, алгоритмите могат да постигнат също толкова добри резултати в диагностиката, колкото и експертите. Разликата е, че алгоритъмът може да предостави резултати за част от секундата и може да се използва навсякъде по света на ниска цена. Скоро всеки, навсякъде, би могъл да получи достъп до същото качество на най-добрите експерти по радиологична диагностика, при това на ниска цена.
Скоро ще има още по-усъвършенствана диагностика с изкуствен интелект
Прилагането на машинното обучение в диагностиката е едва в началото – по-сложните системи включват комбиниране на множество източници на данни (компютърна томография, ядрено-магнитен резонанс, геномика и протеомика, данни за пациента и дори ръкописни файлове) при оценката на дадено заболяване или неговата прогресия.
ИИ няма да замени лекарите в обозримо бъдеще
Малко вероятно е ИИ да замени лекарите. Вместо това системите с ИИ ще се използват за маркиране на потенциално злокачествени лезии или опасни сърдечни модели за експерта, например – оставяйки лекаря да се съсредоточи върху тълкуването на тези сигнали.
- По-бързо разработване на лекарства
Разработването на лекарства е изключително скъпо начинание. Много от аналитичните процеси при разработването на лекарства могат да бъдат направени по-ефективни с помощта на машинно обучение. Това дава възможност да се спестят години работа и стотици милиони инвестиции.
KI wurde bereits bei allen 4 wichtigen Stufen der Arzneimittelentwicklung erfolgreich eingesetzt:
- Етап 1: Определяне на целите на интервенцията
- Етап 2: Намиране на подходящи кандидат-лекарства
- Етап 3: Ускоряване на клиничните изпитвания
- Етап 4: Намиране на биомаркери за диагностициране на заболяването
Стъпка 1: Определяне на целите на интервенцията
Първата стъпка в разработването на лекарства е да се разбере биологичният произход на дадено заболяване (пътища) и механизмите на резистентност към него. Следващата стъпка е да се идентифицират добри цели (обикновено протеини) за лечение на заболяването. Широката достъпност на високопроизводителни техники, като например изследване на къси влакнести РНК (shRNA) и дълбоко последователност, значително увеличи количеството налични данни за намиране на полезни цели. Въпреки това традиционните техники все още се сблъскват с проблема, че трябва да интегрират големия брой и разнообразието от източници на данни, за да идентифицират съответните модели.
Алгоритмите за машинно обучение имат по-малко проблеми с анализа на всички налични данни и дори могат да се научат автоматично да идентифицират добри целеви протеини.
Stufe 2: Das Finden von geeigneten Kandidaten für Medikamente
Als nächstes muss man eine Verbindung finden, die mit dem identifizierten Zielmolekül in der gewünschten Weise interagieren kann. Dafür muss eine große Anzahl – oft mehrere Tausend oder sogar Millionen – potenzieller Verbindungen auf ihre Wirkung auf das Ziel (Affinität) hin untersucht werden, ganz zu schweigen von den unerwünschten Nebenwirkungen (Toxizität). Diese Verbindungen können natürlicher, künstlicher oder biotechnologisch hergestellter Art sein.
Allerdings ist heutige Software oft ungenau und produziert viele schlechte Vorschläge (False Positives). Daher dauert es sehr lange, die Möglichkeiten auf die besten Kandidaten für Medikamente (so genannte Leads) einzugrenzen.
Auch hier können Machine Learning-Algorithmen helfen: Sie können lernen, die Eignung eines Moleküls anhand von strukturellen Fingerabdrücken und molekularen Deskriptoren vorherzusagen. Anschließend durchleuchten sie Millionen potenzieller Moleküle und filtern sie, bis sie die besten Optionen gefunden haben, die zugleich auch weniger Nebenwirkungen erwarten lassen. Das spart viel Zeit bei der Entwicklung von Medikamenten.
Етап 3: Ускоряване на клиничните изпитвания
Много е трудно да се намерят подходящи субекти за клинични изпитвания. Ако изберете неподходящи субекти, целият процес се удължава и отнема много време и ресурси.
Машинното обучение може да ускори проектирането на клинични изпитвания чрез автоматично идентифициране на подходящи субекти и осигуряване на правилно разпределение между групите участници в изследването. Алгоритмите могат да помогнат за идентифициране на модели, които разграничават подходящите от неподходящите субекти. Те могат също така да служат като система за ранно предупреждение за клинично изпитване, което не дава значими резултати – което позволява на изследователите да се намесят по-рано и евентуално да направят разработването на лекарството все пак възможно.
Етап 4: Намиране на биомаркери за диагностициране на заболяването.
Само когато сте сигурни в диагнозата си, можете да лекувате пациентите адекватно. Някои диагностични методи са много скъпи и изискват сложно лабораторно оборудване и експертни познания – например секвенирането на гени.
Биомаркерите са молекули в телесните течности (обикновено човешка кръв), които дават абсолютна сигурност дали пациентът има или няма да има заболяване. Те правят процеса на диагностициране на дадено заболяване безопасен и евтин.
Могат да се използват и за определяне на прогреса на заболяването – това улеснява лекарите при избора на подходящо лечение и при проследяването на ефекта от лекарството.
Трудно е обаче да се намерят подходящи биомаркери за дадено заболяване. Това е още един скъп и продължителен процес, който включва скрининг на десетки хиляди потенциални кандидат-молекули.
ИИ може да автоматизира голяма част от ръчната работа и да ускори процеса като цяло. Алгоритмите класифицират молекулите на подходящи и неподходящи кандидати – това от своя страна помага на изследователите да се съсредоточат върху анализа на най-добрите кандидати.
Биомаркерите могат да се използват в следните случаи:
Идентифициране на заболяване по надежден и евтин начин - диагностичен биомаркер.
Намиране на пациенти, изложени на риск от развитие на заболяване - рисков биомаркер
Прогнозиране на вероятния ход на заболяването - прогностичен биомаркер
Определяне на това дали пациентът ще реагира на дадено лекарство - прогнозен биомаркер- персонализиране на лечението
Различните пациенти реагират по различен начин на лекарствата и плановете за лечение. Така че персонализираното лечение има голям потенциал да увеличи продължителността на живота на пациентите. Но е много трудно да се разбере кои фактори трябва да влияят върху избора на лечение.
Машинното обучение може да автоматизира тази сложна статистическа работа – да помогне да се разбере кои характеристики показват, че даден пациент ще реагира на определено лечение.
Системата научава това чрез съпоставяне на данни от подобни пациенти и сравняване на тяхното лечение и резултати. Получените прогнози за резултатите улесняват лекарите при изготвянето на правилния план за лечение.
- Подобряване на редактирането на гени
Системата за редактиране на генома CRISPR-Cas9 (Clustered Regularly Interspaced Short Palindromic Repeats – CRISPR) е значителен напредък в способността ни да редактираме ДНК евтино и прецизно като хирург.
Тази техника разчита на т.нар. къси водещи РНК (sgRNA), за да избере и редактира определено място в ДНК. Но насочващата РНК може да съвпадне с няколко позиции в ДНК – и това може да доведе до нежелани странични ефекти (off-target effects). Внимателният подбор на водещата РНК с най-малко опасни странични ефекти е една от най-важните пречки при прилагането на системата CRISPR.
Установено е, че моделите за машинно обучение дават най-добри резултати при прогнозиране на степента както на взаимодействията водач-цел, така и на ефектите извън целта за дадена sgRNA. Това може значително да ускори разработването на водещи РНК за всеки участък от човешката ДНК.
Обобщение
ИИ вече ни помага да диагностицираме по-ефективно заболявания, да разработваме лекарства, да персонализираме лечението и дори да редактираме гени.
Но това е само началото. Колкото повече дигитализираме и обединяваме медицинските си данни, толкова повече можем да използваме ИИ за откриване на подходящи модели – модели, които можем да използваме за вземане на точни и икономически ефективни решения в сложни аналитични процеси.
by DataRevenue